声音信号在人们的生活中无处不在。作为最常见的信号之一,声音信号是信息的源头,不仅可以让人类建立对外部世界的认识,也可以让人类表达自我的想法。如今声音识别被广泛应用在自然保护、导航、安全监控等许多领域当中。声音识别技术主要有两个研究方向,分别是声音特征提取算法和识别算法,现有的声音特征提取和识别算法复杂度较高、计算量较大,通常在软件平台实现,难以满足边缘计算设备低功耗、实时性的要求。针对上述问题,论文选择现场可编程门阵列（Field Programmable Gate Array,FPGA）作为算法实现的平台,研究了声音特征提取和识别算法的简化改进和FPGA实现。论文主要研究内容如下:1)研究了现有的声音特征提取算法和声音识别算法,选择性能较好、适合硬件实现的声音梅尔谱特征提取算法和卷积神经网络识别算法。2)基于公开声音数据集,针对应用需求选择特定声音种类声音数据,自建声音训练和测试数据集,包含6种声音,共5900个,增加声音数据来源的多样性,保证不同种类声音数据的均匀性。3)论文对原算法进行改进,降低算法在FPGA平台实现时消耗资源。原声音梅尔谱特征提取算法需要输入声音的时间较长,卷积神经网络识别算法网络结构较大,论文减少了需要输入声音的时长,通过改变网络结构减少了网络的参数量。改进后的算法定点仿真后,识别准确率和原算法相差0.02%。4)在FPGA平台上进行实现改进后声音梅尔谱特征提取和卷积神经网络识别算法。声音梅尔谱特征提取部分只提取梅尔滤波器组的有效数据,减少了所需存储滤波器系数数量;卷积神经网络部分使用模块复用的方式降低了资源使用量。论文与原算法相比,需要输入声音的时长减少到1.61秒,降低了83.9%,声音梅尔谱特征图数据量减少了83.94%,增加了实时性、减少了参数和计算量。卷积神经网络参数量减少了65.63%,在FPGA平台上实现了声音特征提取和卷积神经网络识别算法,实际环境测试声音识别平均准确率为88.33%（使用自建声音数据集,声音识别平均准确率为90.9%）。论文实现声音识别系统应用于智能物联网预警系统中,作为终端设备监测识别环境声音。